[发明专利]一种多域特征下的半监督脑电信号睡眠分期方法

摘要

本发明涉及一种多域特征下的半监督脑电信号睡眠分期方法，属于脑机接口领域。在该方法中，结合蚁群算法和半监督贝叶斯分类方法，对原始脑电信号进行处理以得到多域特征下的原始特征集合，通过蚁群算法对其进行优化并提取一种最优特征子集，并使用改进的半监督贝叶斯分类方法，以最优特征子集为分类特征，结合主动学习策略对其进行分期分类。本方法不仅能够有效地实现睡眠分期，避免低效率特征属性及盲目搜索过程造成的运算资源浪费，而且可以降低标记样本的需求数量，通过与近几年提出的多种睡眠分期方法进行对比，结果表明本方法不但可以实现主流算法的分期精度效果，而且可以大大降低标记样本的需求量，避免了人工误判情况的发生。

主权项

1.一种多域特征下的半监督脑电信号睡眠分期方法，其特征在于：在该方法中，结合蚁群算法和半监督贝叶斯分类方法，通过蚁群系统ACS算法从多域特征集合中提取最优特征子集，使用改进的半监督贝叶斯分类方法，以最优特征子集为分类特征，结合主动学习策略对所述最优特征子集进行分期分类；主动学习过程中采用对称相对熵作为不确定性样本的选择依据，并使用训练的投票分类器对不确定性样本集合进行标记分类；包括以下步骤：S1：设原始脑电信号X(t),其中t表示时间，利用陷波滤波器截取特定的频带信号，代替X(t)成为原始脑电信号，并通过小波变换法对所述原始脑电信号X(t)进行处理，分解得到与X(t)对应的频带信号f(t)＝[f₁(t),f₂(t),...,f_m(t)]，其中m表示频带信号个数，每个f_m(t)代表一个频段的脑电信号；S2：将脑电信号X(t)以时间段T为单位样本包长度，将脑电信号X(t)划分为n个样本包F(t)＝[F₁(t),F₂(t),...,F_n(t)],其中每个样本包F_n(t)长度为T×f_sample，并计算每个样本包的多域属性特征值，得到特征值集合set_l×n，其中f_sample表示抽样频率，l表示属性特征类型个数，n表示样本包个数；S3：以朴素贝叶斯算法作为蚁群系统ACS算法的分类器，以分类正确率为优化指标，并设置好蚁群算法，对特征值集合set_l×n进行优化，得到最优特征子集set_son；S4：根据睡眠分期标准，对所述最优特征子集set_son进行处理以得到训练数据和测试数据，将其作为输入数据对融合了主动学习策略的半监督朴素贝叶斯分类器进行训练和前期分类，结束后通过以下公式对余下的测试数据数据进行分类标记，完成睡眠分期分类：其中，p(c_i)是类c_i的先验概率，p(x_s|c_i)是后验概率，e_i是类c_i中样本数，e是样本总数，e_is是特征中具有x_s的类c_i的样本数，σ_ci，μ_ci分别表示属性特征的标准差和平均值。